文档介绍：基于PCA和神经网络的人脸识别算法研究
摘要：在MATLAB环境下，取ORL人脸数据库的部分人脸样本集，基于PCA方法提取人脸特征，形成特征脸空间，然后将每个人脸样本投影到该空间得到一投影系数向量，该投影系数向量在一个低维空间表述了一个人脸样本，这样就得到了训练样本集。同时将另一部分ORL人脸数据库的人脸作同样处理得到测试样本集。然后基于最近邻算法进行分类，得到识别率，接下来使用BP神经网络算法进行人脸识别，最后通过基于神经网络算法和最近邻算法进行综合决策，对待识别的人脸进行分类。
关键词：人脸识别；主成分；BP神经网络；最近邻算法
中图分类号：TP311文献标识码：A文章编号：1672-7800 (2013) 006-0033-02
作者简介：唐赫(1989-)，女，武汉理工大学理学院统计系硕士研究生，研究方向为人脸图像识别、遥感图像、统计预测决策。
0引言
特征脸方法就是将人脸的图像域看作是一组随机向量，可以从训练图像中，通过主元分析得到一组特征脸图像，任意给定的人脸图像都可以近似为这组特征脸图像的线性组合，用组合的系数作为人脸的特征向量。识别过程就是将人脸图像映射到由特征脸组成的子空间上，比较其与已知人脸在特征脸空间中的位置。经典的特征脸方法是采用基于欧氏距离的最近中心分类器，比较常用的是基于欧氏距离的最近邻。
1算法流程
读入人脸库。每个人取前5张作为训练样本，后5张为测试样本，共40人，则训练样本和测试样本数分别为N=200o人脸图像为92X 112维，按列相连就构成N=10 304维矢量x-j,可视为N维空间中的一个点。
构造平均脸和偏差矩阵。
计算通
计算训练样本在特征脸子空间上的投影系数向量，生成训练集的人脸图像主分量allcoor-200X71。
计算测试样本在特征脸子空间上的投影系数向量，生成测试集的人脸图像主分量tcoor-200X71o
最近邻算法分类。
BP网络分类⑼。
BP神经
2结果与分析
实验通过mat lab来实现，采用ORL人脸图像库，ORL人脸数据库由 40个不同人的400幅图像组成。其中一组原始人脸图像如图lo
结果我们得到识别率accu=,以及特征脸图像，部分如图2所示为均值脸。
设置不同阈值0,该方法得到的识别率如表1所示。
与单纯的BP神经网络方法相比，这种综合方法的识别率有了提高，见表2。
实验结果表明，当0设置为小数点后四位时，二者结合的综合法识 %。基于距离分类的最近邻法结果比较稳定，基于非线性映射的BP网络法可以较好地解决高维人脸分类这一非线性分类问题，但它依赖学****的样本和网络参数，需要凭经验和大量的实验才能得到具有较好性能的网络参数，网络训练费时费力。而通过对两种分类结果的综合决策，不用过分依赖BP网络性能，就可以得到一个识别率更高的人脸识别系统。
3结语
本文系统分析了基于PCA的人脸识别算法，检验了 PCA算法在人脸识别中的应用，但单独使用的识别率不是很高，在此基础上运用PCA方法降维，通过BP神经网络来进行分类，没有识别正确的再运用最邻近算法进行识别，这样就大大提高了识别率。
但是基于PCA的人脸识别方法对光照、图像尺寸、面部表情等外界因素都比较敏感，因